Programas de monitoreo del medio marino costero

Estos modelos se resuelven usando el modelo mixto matricial siguiente:

Y = Xβ + Zu + e

donde,

Y denota el vector de respuestas,

X corresponde a la matriz del diseño, que contiene las variables indicadoras (dummy) de los efectos fijos del modelo,

β es el vector de parámetros desconocidos de los efectos fijos,

Z es la matriz de variables indicadoras de los efectos random del modelo,

u es un vector de distribución normal, con media 0 y varianza de parámetros desconocidos,

e es la matriz de covarianzas del error residual, usualmente denotada como matriz.

En nuestro equipo de trabajo (ver siguiente sección), estos modelos mixtos matriciales (diseños de modelo 1 al 5, (Figura 5) en nuestro equipo han sido resueltos usando el procedimiento PROC MIXED del software SAS 9.4 (TS Level 1 M3 X64_8HOME platform for Windows) bajo las distintas condiciones y datos disponibles.

3. Implementación de monitoreos marinos para evaluar los efectos ambientales de la descarga de salmuera

La disponibilidad de agua dulce en Chile, tanto para las necesidades humanas como industriales, está muy amenazada por el cambio climático y la desertificación40. En respuesta a la urgente necesidad de nuevas fuentes de agua dulce, el país está cambiando rápidamente a la desalinización de agua de mar por ósmosis inversa (OR). Como subproducto, el proceso de desalinización de la OR genera un volumen importante de salmuera hipersalina, que se descarga directamente al mar, siendo esta una preocupación ambiental importante debido a la respuesta incierta de las comunidades biológicas marinas que habitan en o entorno al emisario de la zona de influencia al estrés osmótico.

No obstante lo vital que es la desalinización de agua de mar por OR para la sustentabilidad hídrica y económica del país, a la fecha no existen estudios científicos adaptados a la realidad nacional (ambiental e industrial) que establezcan con certeza, cuál es el alcance ambiental que podría generar la descarga de salmuera sobre los sistemas costeros de Chile, ni cómo monitorear estos potenciales efectos asociados al área de influencia de la descarga41.

Actualmente, no existe un cuerpo de conocimiento científico relevante respecto de los efectos que producen las variaciones osmóticas sobre las comunidades y recursos hidrobiológicos del norte de Chile que habitan las zonas de descarga, ni un consenso metodológico acerca de cómo monitorearlas. Las técnicas de monitoreo que están siendo utilizadas por la industria para la evaluación de los efectos de la descarga de salmuera, son esencialmente extensos estudios de recopilación de datos fisicoquímicos y biológicos de largo aliento con un alto costo económico. Este tipo de estudios se transforma al cabo de un par de años en una enorme base de datos de difícil interpretación, de la cual es difícil obtener conclusiones objetivas que permitan generar proyecciones a largo plazo sobre la capacidad de carga de los ecosistemas. En consecuencia, la incerteza respecto a la respuesta ambiental (e.g., oceanográfica, biológica, ecológica, etc.) en la macrozona norte de Chile frente a la descarga de la industria desalinizadora sumado a la ausencia de una metodología probada y aceptada por la comunidad científica para su evaluación, representa una barrera para la sostenibilidad hídrica de Chile y el crecimiento de una industria clave para el desarrollo socio económico en regiones desértico-costeras.

En ese contexto, la experiencia internacional ha demostrado que el diseño de monitoreos de lógica BACI, son una aproximación válida para evaluar los efectos ambientales por descarga de salmuera en sistemas marinos costeros. En un trabajo reciente, Clark et al. (2018) utilizaron un diseño MBACI (Multiple Before-After-Control-Impact) para evaluar los efectos ecológicos, sobre el reclutamiento de especies de invertebrados sésiles, por la descarga de salmuera en ambientes submareales en Australia; lo que es considerado el primer estudio de largo aliento en esta materia. El diseño de monitoreo utilizado, en el cual se comparó la estructura comunitaria a 2 distancias de la descarga de salmuera (30 m y 100 m) les permitió concluir que los cambios ecológicos observados sobre el reclutamiento, y la respuesta de esta comunidad a la distancia del punto de emisión, no respondía a las variaciones de salinidad, sino a la hidrodinámica de campo cercano que generan los sistemas de difusión de alta presión, que utiliza la industria para, precisamente, facilitar la rápida dilución de la salmuera. En otro estudio desarrollado en la costa mediterránea española, Raventos et al. (2006), desarrolló un diseño beyond BACI con dos localidades control y una localidad de operación (área de descarga) usando información de censo visual de especies en 12 fechas antes y 12 fechas después del inicio de la operación de la planta desaladora. Raventos et al. (2006) no encuentran evidencias de impactos significativos de la salmuera sobre las abundancias y la riqueza de especies.

3.1. Caso de estudio: resultados en una planta desaladora

Nuestro equipo de investigación desarrolló un estudio en una planta desaladora industrial en el norte de Chile, en la que se realizó un análisis crítico de su programa de monitoreo marino, la calidad de la data generada, el diseño con el cual fue obtenida, su poder estadístico y la significancia de las conclusiones que se pueden desprender de ella, esto con el objetivo de realizar mejoras en la gestión ambiental de los potenciales efectos de la pluma de salmuera en ecosistemas submareales10 (Figura 6).

El monitoreo de largo aliento desarrollado por la compañía consideró una localidad de operación y otra de control, realizando muestreos anuales en las cuatro estaciones a partir de dos años antes de la entrada en funcionamiento de la planta. Para este trabajo, analizamos una serie de datos de 12 años, aplicando el modelo 3 (Figura 5) BACIP (Osenberg & Schmitt, 1994; Stewart-Oaten et al., 1986).

Si se hubiera monitoreado solo la localidad de la operación se tendría lo que se muestra en la Figura 7, con los promedios por estación por año. A mediados del tercer año, y después del inicio de la operación, la riqueza de especies promedio permanece oscilando en torno a valores medios de riqueza, y mediados del cuarto año se inicia un incremento hasta valores por sobre 30, para después decrecer de modo continuo hasta valores que oscilan en torno a 5 especies hasta el fin del último monitoreo que se muestra.

En este contexto y atendiendo al comportamiento observado de la variable respuesta, surgen las siguientes preguntas:

Figura 6

(a) Fotografía de un difusor de salmuera en operación, de una planta desaladora en el norte de Chile. (b) Buzo científico levantando datos de abundancia y cobertura durante evaluación de efectos por descarga de salmuera en sistemas submareales de la costa chilena. Fuente: http://www.h2o-sub.cl/

Figura 7

Gráfico de riqueza de especies obtenido durante 12 años de monitoreo de comunidades submareales que habitan al área de influencia de una planta desaladora en el norte de Chile. En la figura solo se muestra la serie temporal para la zona de operación.

¿Es el incremento inicial y el posterior decrecimiento de la riqueza?:

i) Un efecto de la salmuera emitida durante el proceso de desalación por osmosis reversa?

ii) Una fluctuación natural de la localidad de la operación? o

iii) Un fenómeno regional de mesoescala que está modulando las comunidades marinas de la zona en que se encuentra la planta desaladora?

Lo cierto es que los resultados de este tipo de diseño (modelo 1, Figura 5) no nos permiten aceptar ni rechazar ninguna de las tres hipótesis. Sin embargo, al disponer de una localidad control además de la de operación, como se muestra ahora en la Figura 8, lo primero que se destaca es que la variación de la localidad control muestra un decrecimiento sistemático y, por tanto, distinta a la de la operación. Si la localidad control representa lo que le ocurriría a la de operación en ausencia del efecto de la operación, entonces las diferencias que se producen a partir del inicio de la operación, respecto del control, debieran ser asignables a un efecto de la operación, en este caso un incremento de la riqueza con relación al control. Sin embargo, en el año 8 ambas localidades, y hasta el último muestreo, muestran una convergencia hacia valores en torno a 5 especies.

Figura 8

Gráfico de riqueza de especies obtenido durante 12 años de monitoreo de comunidades submareales, asociadas al área de influencia de una planta desaladora en el norte

de Chile. En la figura se incluyen las series temporales obtenidas a partir de las localidades de operación y control.

Para resolver el modelo 3 (Figura 5) aplicamos PROC MIXED (SAS Institute Inc., Cary, NC, USA) que usa el método de máxima verosimilitud restringida, en vez del método de mínimos cuadrados puesto que los datos son desbalanceados, y los grados de libertad se estimaron con el método de Satterthwaite (Littell et al., 2007).

Los factores aleatorios (random) del modelo como son, Year(BA)K(I) + S(CO)l(j) + eijkl representan la estructura de la variación ambiental. Year(BA)K(I) representa la variación del efecto de año dentro de período (Antes y Después), con una varianza significativa de 74.62 (EE = 37.93; P = 0.025). S(CO)l(j) es el efecto de sitio dentro de cada localidad (Control vs Operación), con una varianza no significativamente distinta de cero (P = 0.20). Y eijk es el error residual con una varianza significativa de 11.20 (EE = 1.88; P < 0.001).

Por otra parte, los factores fijos del modelo, ADi + COj + AD * COij, esto es para los que estamos interesados en sus valores promedios y sus diferencias, solo el de la interacción AD * COij es el que permite poner a prueba la Hipótesis Nula de que no hay efecto de la operación sobre la variable respuesta. Los resultados del análisis mostraron que solo la interacción AD * COij fue significativa (F[1,71] = 11,52, P = 0,011). Por tanto, esto permite rechazar la hipótesis nula, y concluir que hay un efecto significativo de la operación sobre la riqueza de especie.

La magnitud y sentido del efecto ADCO se estima a través del tamaño del efecto como el cambio diferencial entre los promedios entre las dos localidades (Control vs Operación), Después menos la condición Antes, tal que:

Efecto ADCO = (μOD – μOA) – (μCD – μCA) [9]

Hemos invertido el uso tradicional de estimación del efecto, para que tome valores positivos si el efecto de la operación produce un incremento positivo de la variable respuesta en relación con el control. Y lo inverso si el efecto es negativo. El efecto ADCO se estima con la función ESTIMATE de PROC MIXED para contrastes ortogonales de la interacción AD x CO. Los resultados muestran que el efecto fue positivo sobre la riqueza de especies y estadísticamente significativo, con un valor del Efecto ADCO = 9.52 (EE = 2.81; g.l = 71; t = 3.39; P = 0.0011). Lo que permite concluir que después del inicio de la operación, la riqueza de especies incrementó significativamente respecto del control.

Aun cuando tenemos información relevante (12 años de monitoreo) sobre la respuesta de las comunidades bentónicas al inicio de la operación de una planta desaladora (aumento inicial de su riqueza y posterior estabilización del sistema), las conclusiones que podemos desprender de los resultados de los análisis de estos datos, y como fue destacado antes, es que no se puede distinguir entre los efectos locales del propio sitio control con relación a los efectos ambientales de escalas mayores. Para lo cual se requiere la incorporación de al menos dos nuevas localidades control.

3.1.1. Optimización de muestreos ambientales en el contexto de modelos ADCO

Con el propósito de implementar mejoras al plan de vigilancia ambiental y monitoreo marino de la planta desaladora cuyos resultados hemos mostrado anteriormente, se propuso a la compañía un nuevo diseño de muestreo, incorporando dos nuevas localidades control, para llegar a tres localidades control y una de operación, con un modelo Asimétrico beyond-BACI representado en el modelo 5 (Figura 5). Por dos años realizamos muestreos adicionales que incorporaron las nuevas localidades, para poder capturar la variabilidad ambiental de esas localidades (tres de control y la de operación).

Sobre la base de estos dos años de datos reales y siguiendo a Benedetti-Cecchi (2001), hemos procedido a realizar simulaciones sobre la base de la metodología desarrollada en el contexto de los diseños beyond-Baci (Underwood, 1992, 1994). Para ello la data fue re-arreglada en las simulaciones, para lograr incorporar la variabilidad temporal observada, en cuatro períodos: dos periodos antes del inicio de la operación de una ampliación de la planta pronto a efectuarse y dos periodos modelados post-operación (Benedetti-Cecchi, 2001).

De este modo, para la optimización del diseño de muestreo se implementó un análisis de poder estadístico aplicado sobre el modelo beyond BACI ajustado, para el que un efecto significativo de la operación causa la emergencia de la interacción AD x Lij (Underwood, 1994). A través de estos modelos usando PROC MIXED y siguiendo a Littell et al. (2007) y Benedetti-Cecchi (2001), se realizaron simulaciones para evaluar la capacidad que tiene el nuevo diseño experimental de muestreo, de evidenciar efectos tanto negativos (disminución de la riqueza de especies) como positivos (aumento en la riqueza de especies), por parte de la descarga de salmuera sobre las comunidades marinas bentónicas. En este caso, se simularon tamaños del efecto relacionadas con pérdidas o ganancias del 1%, 5%, 10%, 15% y 20% de especies presentes en la descarga, post inicio teórico de la ampliación de la planta. El poder estadístico de aquellos diseños que incluyen solo un (1) sitio control además del sitio de operación (Impacto) (18 réplicas por sitio), solo alcanzan en el mejor de los casos valores de Poder Estadístico cercanos al 50%, lo que quiere decir que basado en este tipo de diseño experimental, las conclusiones obtenidas no son representativas de la dinámica comunitaria ni de las respuestas ecológicas a la presencia de la descarga. Por el contrario, al diseñar un monitoreo con un sitio de operación y tres (3) sitios control y 18 réplicas por sitio por año, se alcanzan para todos los escenarios, valores cercanos o por sobre el 80% de poder estadístico. Por lo tanto, el diseño que optimiza la probabilidad de detectar un efecto ecológico, con el mayor poder estadístico es aquel que incorpora en las condiciones ambientales estudiadas, tres localidades control, además de la localidad de operación, y maximiza el número de réplicas.

4. Consideraciones finales y recomendaciones

4.1. Requerimentos claves que se condicionan y constituyen el diseño experemtal de un programa de monitoreo existoso

Cuando se busca determinar el potencial efecto de la operación de un proyecto industrial y/o actividad antropogénica sobre componentes de la biota y procesos ecológicos y otros, los requerimientos claves, que constituyen el Diseño Experimental, son: Condición i) la disponibilidad de controles, esto es disponer de tres o más localidades control además de la localidad donde ocurre la operación que se evalúa: (i) la obtención/disponibilidad de datos antes (Línea Base) de la operación, tanto para las localidades control como para la localidad de la operación, idealmente por dos o más años; (iii) la existencia de réplicas o repeticiones apropiadas (asignadas aleatoriamente), determinadas a través de análisis de poder estadístico y una estructura de diseño y muestro atingente; con una clara definición o identificación de los factores fijos y aleatorios; (iv) la información obtenida antes de la operación tiene que haber ocurrido por el suficiente tiempo y en una escala espacial apropiada, como para capturar la variabilidad ecológica y ecosistémica temporal y regional.

Disponer de varias (al menos tres) localidades control permite aislar los efectos de actividades humanas particulares con relación a la operación de intervención respecto de un rango de otros procesos naturales o antrópicos distintos al de la operación. Este es un aspecto crítico al momento de establecer el poder estadístico de un diseño de muestreo, y pocas veces se implementa en los programas de monitoreo ambiental en Chile.

En particular, respecto a la implementación de monitoreos marinos en plantas desaladoras que operan asociadas a sistemas marinos en Chile, la utilización de diseños BACI para el seguimiento ambiental del área de influencia de la descarga, es una herramienta útil para detectar potenciales efectos ambientales (o la ausencia de estos). Además, permite diferenciar los efectos que ocurren por la descarga de la planta, de aquellas variaciones de mayor escala (regional) que pudieran estar explicando cambios observados en una determinada variable respuesta.

Futuras investigaciones debieran enfocar esfuerzos en determinar cuáles son aquellas variables respuestas idóneas para definir el área de influencia marina de una planta desaladora (genes – individuos – poblaciones – comunidades), y realizar experimentos de campo in situ para evaluar la respuesta de los ecosistemas submareales al efecto por descarga de salmuera, que permitan dilucidar de mejor manera cuáles son las respuestas sitio-específicas al estrés osmótico y la determinación de medidas de gestión adecuada para su manejo. [ver Capítulo 5. The Logical Bases of Monitoring Design, Downes et al. (2008)]

4.2. Problemas más comunes observados en programas de monitoreo del medio marino y costero

4.2.1. Planes de seguimiento, RCA y muestreos

La autorización ambiental final para la construcción, operación y cierre de un determinado proyecto se logra por medio de un hito fundamental del Sistema de Evaluación de Impacto Ambiental (SEIA) chileno, como lo es la obtención de la Resolución de Calificación Ambiental, documento que, dentro de sus propósitos, establece medidas para el seguimiento de los impactos ambientales sobre los distintos componentes ambientales identificados durante el proceso de evaluación sectorial. Esto se logra por medio de la implementación de compromisos de resguardo ambiental, como por ejemplo, Planes de Vigilancia Ambiental, entre otras medidas de mitigación y compensación. Sin embargo, una vez presentados los informes de monitoreo ante la autoridad ambiental, parece olvidarse que el seguimiento tiene como propósito último determinar la presencia/ausencia de posibles efectos debido a la Operación que se evalúa. De este modo, un programa de monitoreo permite, por medio de un diseño apropiado y resultados estadísticamente robustos, evaluar cambios en el ambiente con respecto a una condición ambiental de referencia, aspecto fundamental que otorga coherencia al proceso de evaluación mismo. Un programa de monitoreo incapaz de identificar la existencia/inexistencia de un determinado impacto, solo colabora a transformar paulatinamente al sistema de evaluación ambiental en una máquina burocrática cuyo fin último pareciera ser el cumplimiento de hitos administrativos, más que la gestión apropiada de medidas de mitigación de impactos, dirigidos a preservar la capacidad de autoreproducción de los ecosistemas naturales y socioculturales de los que dependemos como sociedad.

Alcanzar el objetivo previamente descrito, depende en gran medida de contar con un estudio de línea base robusto, que establezca un punto de partida o referencia, sobre el cual poner a prueba las hipótesis de monitoreo de largo aliento. Es así como, disponer de la línea base, y el momento en que la operación se inició, permite implementar, por ejemplo, un análisis del estilo del modelo 1, que corresponde a un diseño Antes/Después (Figura 5) y, por tanto, es posible evaluar si existe evidencia de diferencias entre el periodo Antes, y el período Después.

Los contenidos mínimos que debe incluir un informe de seguimiento ambiental se encuentran descritos en la resolución exenta N° 223, del año 2015, del Ministerio de Medio Ambiente, que dicta instrucciones generales sobre la elaboración del plan de seguimiento de variables ambientales, los informes de seguimiento ambiental y la remisión de información al sistema electrónico de seguimiento ambiental. Aun cuando este documento logra establecer los contenidos mínimos de estos programas, a nuestro parecer, quedan vacíos metodológicos importantes, que podrían ser resueltos al exigir ciertos criterios estadísticos generales que permitan fortalecer las conclusiones obtenidas de los estudios en cuestión, como, por ejemplo, un poder estadístico mínimo (75% - 80%) en los diseños de muestreo. En este contexto, respecto a aspectos fundamentales del diseño de muestreo, usualmente no se declara si las muestras fueron asignadas aleatoriamente dentro de un sitio o localidad, una condición obligada para un abanico importante de pruebas estadísticas básicas. En otros estudios no se explica cómo se determinó el número mínimo de muestras. Y en ocasiones en que se usa cuadratas, es frecuente no entregar una justificación sobre el tamaño de la cuadrata o el número de puntos considerados dentro de la misma, condiciones indispensables al momento de evaluar la rigurosidad de las conclusiones de un trabajo de evaluación ambiental.

4.2.2. Estadística asociada

La estadística descriptiva es una herramienta ampliamente usada en la mayoría –sino en todos– de los informes y programas de monitoreo ambiental. No obstante, en muchas ocasiones, estos informes solo se remiten al uso de descriptores promedios, sin incorporar medidas de variabilidad, tales como la desviación estándar, o la varianza, parámetros necesarios para determinar los tamaños mínimos de muestra y exploraciones sobre poder estadístico usando inicialmente G*Power (Figura 4).

Otra aplicación común de las herramientas estadísticas descriptivas, es la utilización de figuras para representar e interpretar series de tiempo y patrones de variación en las variables de interés; no obstante, no se aplican posteriormente pruebas estadísticas para determinar si los patrones descritos, son o no estadísticamente diferentes, dejando la interpretación de las conclusiones prácticamente como un ejercicio narrativo o de contraste a valores similares encontrados en la bibliografía disponible. ¿Son las fluctuaciones observadas una variación normal para la zona de operación? o ¿corresponden a un efecto de la actividad u operación en estudio?

Entender de los autores de este trabajo, la rigurosidad estadística a la hora de interpretar los resultados de planes de monitoreo, y la aplicación de modelos estadísticos coherentes con los diseños de muestreo implementados, sigue siendo la gran deuda que mantiene tanto el sector público como privado a la hora de evaluar ambientalmente los proyectos que ingresan al SEIA.

4.2.3. Análisis de poder y los errores α y β

Ha sido tradicional que los científicos nos hemos centrado en minimizar la probabilidad α de cometer un error tipo I sin considerar la probabilidad β de cometer un error tipo II. Sin embargo, particularmente cuando se toman decisiones de carácter ambiental y/o manejo de recursos naturales, deben tenerse en cuenta las probabilidades de ambos tipos de errores, y sus costes de corto y mediano plazo (Peterman, 1990a, 1990b). En ámbitos ambientales y de manejo de recursos, los errores de tipo II pueden tener consecuencias ambientalmente más costosas, que los errores de tipo I (Peterman 1990a, 1990b; Buhl-Mortensen, 1996). En un programa de monitoreo ambiental los errores de tipo I ocurren en desmedro del proyecto (Com. Pers., Ricardo Barra), en tanto se identifica la existencia de un efecto cuando en la realidad no lo hay (falso positivo), pudiendo afectar la sostenibilidad del proyecto. Pero también, incrementaría el esfuerzo de personal técnico, científicos y servicios asociados en identificar el problema propiamente tal y focalizar sus recursos en identificar las causas del impacto putativo, lo cual permitiría su pronta rectificación e implementación de medidas de gestión adecuadas (Fairweather, 1991). Sin embargo, en este caso no habría un efecto de la operación sobre el ambiente. Por otro lado, un error de tipo II probablemente conduciría a una sensación de falsa seguridad, pudiendo generar una degradación ambiental continua –si el efecto es negativo– hasta niveles extremos (Fairweather, 1991), en desmedro de los ecosistemas (Com. Pers., Ricardo Barra). Casos de este tipo han provocado giros en el peso de la prueba de responsabilidad de la industria en procesos judiciales en materia ambiental, deteniendo grandes proyectos de inversión, hasta lograr un incremento de Poder Estadístico de sus Programas de Monitoreo y demostrar (sin lugar a dudas) la ausencia de un determinado efecto ambiental (Peterman, 1990a, 1990b, 2019; Fairweather, 1991; Kriebel, 2001; Ferretti, 2009). Este cambio del peso de la prueba ambiental de carácter judicial se basa en el Principio Precautorio incorporado, por ejemplo, en la industria pesquera (FAO 1995; Gallagher et al. 2012; Audzijonyte et al. 2016) y en el Principio Precautorio Ambiental internacionalmente reconocido como el Principio 15 de la Declaración de Río en 1992 (United Nations Conference On Environment And Development: Rio Declaration On Environment And Development 1992).

4.2.4. Evaluación ambiental de vertidos de salmuera en sistemas costeros

de Chile

Entender si los vertidos de salmuera por la operación de plantas desaladoras tienen o no efectos ambientales significativos seguirá siendo una interrogante, mientras no se tomen medidas serias para estandarizar el diseño de planes de vigilancia y monitoreo, asociados a los sistemas de descarga de esta industria. Como se pudo verificar en el caso de estudio del presente capítulo, incluso contando con una serie de tiempo importante –que sin duda requirió una inversión de recursos relevante para realizarse– no es posible inferir conclusiones sólidas que permitan a ambos, industria y fiscalizadores, mejorar la gestión ambiental de una industria que cada día toma más importancia para el desarrollo socioeconómico del país.

Uno de los principales desafíos pendientes en materia de gestión de descargas de la industria desaladora, es encontrar parámetros y diseños certeros que permitan determinar el área de influencia de la pluma de salmuera. En ese contexto, una recomendación inicial sería la implementación de un mayor número de puntos de referencia o control (2 a 4), con el objetivo de fortalecer los estudios de línea base y poder poner a prueba con un poder estadístico suficiente, las hipótesis de un amplio volumen de estudios internacionales, que apuntan a efectos no significativos y acotados al campo cercano de descarga (Clark et al., 2018; Missimer & Maliva, 2018). El acercamiento de la industria a las capacidades analíticas instaladas en el sector académico sin duda favorecería el desarrollo de monitoreos de campo más eficaces a la hora de determinar carga ambiental. En nuestra experiencia, esto tiene el potencial no solo de mejorar el rendimiento económico de estos programas de vigilancia ambiental, sino también mejorar la comunicación de la industria con representantes de la sociedad civil, ambos factores fundamentales para la industria del agua, que se enfrenta día a día a escenarios extremadamente dinámicos, más competitivos y de mayor presión productiva.

AGRADECIMIENTOS

Este trabajo ha sido posible gracias al financiamiento del Proyecto CODEI-UA-31-2010 a RG de la Universidad de Antofagasta. EG-B agradece el apoyo económico del proyecto Conicyt/Fondap N° 15130015 y de la beca de la Asociación Internacional en Desalación (IDA) Channabasappa Memorial Scholarship. Los autores agradecen también a H2O-SUB Ltda. por facilitar el material fotográfico. Se agradece al Dr. Axel Buchner académico de la Universidad de Düsseldorf por facilitarnos el acceso a G*power y a la utilización de la captura de pantalla de la Figura 4, con fines académicos. Y se agradece por sobre todo a los integrantes de nuestro grupo de trabajo Rodrigo Orrego, Fernando Valenzuela, Martha Hengst y Giannina Maya.

REFERENCIAS

Antcliffe, B. L. (1999). Environmental impact assessment and monitoring: the role of statistical power analysis. Impact Assessment and Project Appraisal, 17(1), 33-43.

Audzijonyte, A., Fulton, E., Haddon, M., Helidoniotis, F., Hobday, A. J., Kuparinen, A., Morrongiello, J., Smith, A., Upston, J., & Waples, R. (2016). Trends and management implications of human‐influenced life‐history changes in marine ectotherms. Fish and Fisheries, 17(4), 1005-1028.

Benedetti-Cecchi, L. (2001). Beyond Baci: Optimization of environmental sampling designs through monitoring and simulation. Ecological Applications, 11(3), 783-799.

Berger, M. A. (2006). The impact of DNA exonerations on the criminal justice system. Journal of Law Medicine & Ethics, 34(2), 320-327.

Buchner, A. (n.d.). G*Power: Statistical Power Analyses for Windows and Mac. Visitado Diciembre 4, 2018 desde: http://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower.html

Buhl-Mortensen, L. (1996). Type-II statistical errors in environmental science and the precautionary principle. Marine Pollution Bulletin, 32(7), 528-531.

Buschmann, A. H., Riquelme, V. A., Hernández-González, M. C., Varela, D., Jiménez, J. E., Henríquez, L. A., Vergara, P., Guiñez, R. & Filún, L. (2006). A review of the impacts of salmonid farming on marine coastal ecosystems in the southeast Pacific. ICES Journal of Marine Science, 63(7), 1338-1345.

Castilla, J. C., & Bustamante, R. H. (1989). Human exclusion from rocky intertidal of Las-Cruces, central Chile: effects on Durvillaea antarctica (Phaeophyta, Durvilleales). Marine Ecology Progress Series, 50(3), 203-214.